JP2016031568A - Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program - Google Patents

Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program Download PDF

Info

Publication number
JP2016031568A
JP2016031568A JP2014152539A JP2014152539A JP2016031568A JP 2016031568 A JP2016031568 A JP 2016031568A JP 2014152539 A JP2014152539 A JP 2014152539A JP 2014152539 A JP2014152539 A JP 2014152539A JP 2016031568 A JP2016031568 A JP 2016031568A
Authority
JP
Japan
Prior art keywords
singular values
values
abnormality
abnormality diagnosis
singular
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2014152539A
Other languages
Japanese (ja)
Inventor
ニコラ シュミット
Schmit Nicolas
ニコラ シュミット
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IHI Corp
Original Assignee
IHI Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IHI Corp filed Critical IHI Corp
Priority to JP2014152539A priority Critical patent/JP2016031568A/en
Publication of JP2016031568A publication Critical patent/JP2016031568A/en
Pending legal-status Critical Current

Links

Images

Abstract

PROBLEM TO BE SOLVED: To improve detection accuracy for abnormality diagnosis.SOLUTION: An abnormality diagnosis apparatus comprises: preprocessing means determining singular values from a correlation matrix of normal data represented by values of respective parameters at normal time and identifying the number of higher singular values from the determined singular values under a predetermined condition; calculation means calculating a Mahalanobis distance divided by the number of higher singular values, using a pseudo inverse matrix of a correlation matrix of normal data obtained by using diagnosis data represented by values of diagnostic parameters measured at the same time and higher singular values in the number of higher singular values identified by the preprocessing; and determination means determining that an abnormality occurs if the Mahalanobis distance calculated by the calculation means is greater than a predetermined threshold.SELECTED DRAWING: Figure 1

Description

本発明は、異常を診断する異常診断装置、異常診断方法及び異常診断プログラムに関する。   The present invention relates to an abnormality diagnosis device, an abnormality diagnosis method, and an abnormality diagnosis program for diagnosing an abnormality.

近年、異常の診断にＭＴシステムの一種であるＭＴ法（マハラノビス・タグチ法）の利用が普及している。ＭＴ法では、まず、診断対象の装置やシステム等から正常時に測定した複数のパラメータ値である正常データで形成される単位空間とその単位空間の基準点を決定する。その後、診断期間に同一のパラメータの値を測定して診断データとし、これらの値と単位空間の基準点との距離を用いて異常を診断する。   In recent years, the use of the MT method (Mahalanobis-Taguchi method), which is a type of MT system, for the diagnosis of abnormalities has become widespread. In the MT method, first, a unit space formed by normal data that is a plurality of parameter values measured at the normal time from an apparatus or system to be diagnosed and a reference point of the unit space are determined. Thereafter, the values of the same parameter are measured during the diagnosis period to obtain diagnosis data, and an abnormality is diagnosed using the distance between these values and the reference point of the unit space.

このＭＴ法は、様々な分野に利用可能である点で有用な方法である。一方、ＭＴ法で検出しにくい異常がある。例えば、異なる複数のパラメータ間に多重共線性（冗長性、または強い相関関係）がある場合や、正常なときにはパラメータの値が一定である（一定値項目である）場合、相関行列の逆行列を求めることができず、ＭＴ法で算出できるはずのマハラノビス距離（ＭＤ値）を求めることができない。これを回避する方法として、逆行列の代わりに擬似逆行列を求め、擬似逆行列を利用するとマハラノビス距離を求めることができる。   This MT method is useful in that it can be used in various fields. On the other hand, there are abnormalities that are difficult to detect by the MT method. For example, if there is multicollinearity (redundancy or strong correlation) between different parameters, or if the parameter value is constant (a constant value item) when normal, the inverse of the correlation matrix is The Mahalanobis distance (MD value) that cannot be obtained and can be calculated by the MT method cannot be obtained. As a method of avoiding this, the Mahalanobis distance can be obtained by obtaining a pseudo inverse matrix instead of the inverse matrix and using the pseudo inverse matrix.

特表２０１２−５１６９９４号公報Special table 2012-516994 gazette

しかしながら、擬似逆行列を用いてマハラノビス距離を求めた場合、擬似逆行列を構成する特異値数によってマハラノビス距離の値が小さくなり、異常の検出漏れが生じ、検出精度が低下するおそれがある。   However, when the Mahalanobis distance is obtained using a pseudo inverse matrix, the value of the Mahalanobis distance becomes small depending on the number of singular values constituting the pseudo inverse matrix, so that there is a possibility that anomaly detection may be missed and the detection accuracy may be lowered.

上記課題に鑑み、本発明は、異常診断において、検出精度を向上させることを目的とする。   In view of the above problems, an object of the present invention is to improve detection accuracy in abnormality diagnosis.

上記目的を達成するために、第１の発明は、診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、各パラメータの正常時の値で表される正常データの相関行列から特異値及び主成分を求め、求めた特異値から所定の条件で上位特異値数を特定し、求めた特異値及び主成分と、特定した上位特異値数とから相関行列の擬似逆行列を算出する前処理手段と、同一時刻に測定された診断用の各パラメータの値で表される診断データと、前記前処理手段で特定された上位特異値数及び前記前処理手段で算出された擬似逆行列を使用し、前記上位特異値数で割ったマハラノビス距離を算出する算出手段と、前記算出手段が算出したマハラノビス距離が所定の閾値より大きくなった場合、異常が発生したと判定する判定手段とを備える。   In order to achieve the above object, the first invention is an abnormality diagnosing apparatus for diagnosing an abnormality by inputting a plurality of parameter values to be diagnosed, wherein normal data represented by normal values of each parameter is stored. Obtain singular values and principal components from the correlation matrix, identify the number of upper singular values from the obtained singular values under a predetermined condition, and perform pseudo inverse of the correlation matrix from the obtained singular values and principal components and the identified number of upper singular values. Pre-processing means for calculating a matrix, diagnostic data represented by the values of each parameter for diagnosis measured at the same time, the number of upper singular values specified by the pre-processing means and the pre-processing means And calculating means for calculating the Mahalanobis distance divided by the number of upper singular values, and determining that an abnormality has occurred when the Mahalanobis distance calculated by the calculating means is greater than a predetermined threshold. Judgment means Equipped with a.

第２の発明は、前記前処理手段は、降順で算出した特異値の累積値を算出し、前記累積値と全特異値の総和の割合が所定の割合を超えるような最小の特異値数を上位特異値数ｑとし、降順でこの上位特異値数ｑ以内の特異値を上位特異値とする。   In a second invention, the preprocessing means calculates a cumulative value of singular values calculated in descending order, and sets a minimum number of singular values such that a ratio of the sum of the cumulative value and all singular values exceeds a predetermined ratio. The upper singular value number q is set, and a singular value within the upper singular value number q in descending order is set as the upper singular value.

第３の発明は、診断対象の複数のパラメータ値を用いて異常を診断する異常診断方法であって、各パラメータの正常時の値で表される正常データの相関行列から特異値及び主成分を求め、求めた特異値から所定の条件で上位特異値数を特定し、求めた特異値及び主成分と、特定した上位特異値数とから相関行列の擬似逆行列を算出するステップと、同一時刻に測定された診断用の各パラメータの値で表される診断データと、特定された前記上位特異値数及び算出された前記擬似逆行列を使用し、前記上位特異値数で割ったマハラノビス距離を算出するステップと、算出された前記マハラノビス距離が所定の閾値より大きくなった場合、異常が発生したと判定するステップとを有する。   A third invention is an abnormality diagnosis method for diagnosing an abnormality using a plurality of parameter values to be diagnosed, wherein a singular value and a principal component are obtained from a correlation matrix of normal data represented by normal values of each parameter. Determining the number of upper singular values from the determined singular values under a predetermined condition, calculating a pseudo inverse matrix of the correlation matrix from the determined singular values and principal components and the determined number of upper singular values, and at the same time Using the diagnosis data represented by the value of each parameter for diagnosis measured in the above, the identified upper singular value number and the calculated pseudo inverse matrix, the Mahalanobis distance divided by the upper singular value number And a step of determining that an abnormality has occurred when the calculated Mahalanobis distance is greater than a predetermined threshold.

第４の発明は、前記上位特異値数を特定する際、降順で算出した特異値の累積値を算出し、前記累積値と全特異値の総和の割合が所定の割合を超えるような最小の特異値の数を、上位特異値数とする。   According to a fourth aspect of the invention, when specifying the number of upper singular values, a cumulative value of singular values calculated in descending order is calculated, and a minimum value such that a ratio of the sum of the cumulative values and all singular values exceeds a predetermined ratio The number of singular values is the upper singular value number.

本発明によれば、異常診断の検出精度を向上させることができる。   According to the present invention, the detection accuracy of abnormality diagnosis can be improved.

図１は、実施形態に係る異常診断装置を説明するブロック図である。FIG. 1 is a block diagram illustrating an abnormality diagnosis apparatus according to an embodiment. 図２は、マハラノビス距離と閾値の関係を説明するグラフである。FIG. 2 is a graph for explaining the relationship between the Mahalanobis distance and the threshold value.

以下に、図面を用いて本発明の実施形態に係る異常診断装置について説明する。実施形態に係る異常診断装置は、多数のセンサによって各パラメータ値（変数）が測定されるガスタービン、真空炉、航空エンジン等を診断対象として各パラメータ値を利用して診断対象の異常を診断するものである。   Hereinafter, an abnormality diagnosis apparatus according to an embodiment of the present invention will be described with reference to the drawings. The abnormality diagnosis apparatus according to the embodiment diagnoses an abnormality of a diagnosis target using each parameter value with a gas turbine, a vacuum furnace, an aircraft engine, or the like whose parameter values (variables) are measured by a large number of sensors as a diagnosis target. Is.

図１に示すように、実施形態に係る異常診断装置１は、正常な各パラメータの値を利用して、相関行列の上位特異値数を特定し、相関行列の擬似逆行列を算出する前処理手段１１と、診断用に測定された各パラメータの値を利用してマハラノビス距離（ＭＤ値）を算出する算出手段１２と、算出されたマハラノビス距離を利用して異常の有無を判定する判定手段１３と、判定結果を出力する出力手段１４とを有する。   As shown in FIG. 1, the abnormality diagnosis apparatus 1 according to the embodiment uses the normal parameter values to identify the number of upper singular values of a correlation matrix and calculates a pseudo inverse matrix of the correlation matrix Means 11, calculation means 12 for calculating the Mahalanobis distance (MD value) using the values of each parameter measured for diagnosis, and determination means 13 for determining the presence or absence of abnormality using the calculated Mahalanobis distance And output means 14 for outputting the determination result.

異常診断装置１は、図１に示すように、ＣＰＵ１０、記憶装置２０、操作の入力等に利用される入力装置３０及び処理結果等の出力に利用される出力装置４０等を備える情報処理装置である。記憶装置２０に記憶される異常診断プログラムＰが実行されることで、ＣＰＵ２０が前処理手段１１、算出手段１２、判定手段１３及び出力手段１４として処理を実行する。   As shown in FIG. 1, the abnormality diagnosis apparatus 1 is an information processing apparatus that includes a CPU 10, a storage device 20, an input device 30 that is used to input operations, an output device 40 that is used to output processing results, and the like. is there. By executing the abnormality diagnosis program P stored in the storage device 20, the CPU 20 executes processing as the preprocessing unit 11, the calculation unit 12, the determination unit 13, and the output unit 14.

記憶装置２０は、異常診断プログラムＰの他、診断対象が正常時に測定された正常データＤ１、前処理手段１１で特定され、マハラノビス距離の算出に利用される上位特異値数と、前処理手段１１で算出され、マハラノビス距離の算出に利用される相関行列の擬似逆行列である演算データＤ２、診断の対象である期間に計測されたデータである診断データＤ３及び異常診断の結果である結果データＤ４を記憶する。   In addition to the abnormality diagnosis program P, the storage device 20 includes normal data D1 measured when the diagnosis target is normal, the number of upper singular values specified by the preprocessing unit 11 and used for calculating the Mahalanobis distance, and the preprocessing unit 11. Calculated data D2, which is a pseudo-inverse of a correlation matrix used for calculation of the Mahalanobis distance, diagnostic data D3 which is data measured in a period to be diagnosed, and result data D4 which is a result of abnormality diagnosis Remember.

正常データＤ１は、正常時の各パラメータ値である。ここで、正常データＤ１には、正常時に、測定された複数回分のパラメータ値を含んでいる。また、診断データＤ３は、診断の対象である期間に測定された各パラメータ値である。診断データＤ３にも、対象期間に測定された複数回分のパラメータ値を含んでいる。異常診断装置１では、この正常データＤ１と診断データＤ３とを用いて診断対象の異常を診断する。例えば、異常診断装置１は、診断対象の装置やシステムの各パラメータを測定するセンサと接続されており、これら複数のセンサから入力したパラメータ値を蓄積して正常データＤ１や診断データＤ３とすることができる。   The normal data D1 is each parameter value at the normal time. Here, the normal data D1 includes a plurality of parameter values measured in a normal state. Further, the diagnosis data D3 is each parameter value measured during the period to be diagnosed. The diagnostic data D3 also includes a plurality of parameter values measured during the target period. The abnormality diagnosis apparatus 1 diagnoses an abnormality to be diagnosed using the normal data D1 and the diagnosis data D3. For example, the abnormality diagnosis apparatus 1 is connected to a sensor that measures each parameter of a diagnosis target apparatus or system, and accumulates parameter values input from the plurality of sensors to obtain normal data D1 or diagnosis data D3. Can do.

前処理手段１１は、記憶装置２０から正常データＤ１を読み出し、正常データＤ１の相関行列を求め、この相関行列から特異値及び主成分を算出する。また、前処理手段１１は、全特異値の累積値（総和）を算出し、この全特異値の累積値に対し、全特異値を降順で並べて大きい特異値から順に加算したときの総和の割合が所定の割合を超えるような最小の特異値数を上位特異値数ｑとし、降順で抽出した上位特異値数ｑの特異値を上位特異値とする。また、前処理手段１１は、前記特異値と前記主成分と前記上位特異値数から相関行列の擬似逆行列を算出する。また、前処理手段１１は、抽出した上位特異値で求める擬似逆行列のランクを上位特異値の数ｑとしてもよい。   The preprocessing unit 11 reads the normal data D1 from the storage device 20, obtains a correlation matrix of the normal data D1, and calculates singular values and principal components from the correlation matrix. Further, the preprocessing means 11 calculates the cumulative value (sum) of all singular values, and the ratio of the sum when the singular values are arranged in descending order and added in order from the largest singular value to the accumulated value of all singular values. Is defined as the upper singular value number q, and the singular value of the upper singular value number q extracted in descending order is set as the upper singular value. The preprocessing unit 11 calculates a pseudo inverse matrix of a correlation matrix from the singular value, the principal component, and the number of upper singular values. Further, the preprocessing unit 11 may set the rank of the pseudo inverse matrix obtained from the extracted upper singular values as the number q of upper singular values.

例えば、全特異値の総和に対し、上位特異値の総和が９９％を超える特異値数を上位特異値数とする条件を定めたとする。このとき、上位特異値の総和は、特異値のうち、降順で並べ、大きい特異値から加算するものとする。仮に、全特異値の数が１０００（降順で並べた特異値をそれぞれａ1、ａ2、…ａ1000とする）、降順で１３４個目までの特異値の総和と全特異値の総和の割合（（ａ1＋ａ2＋…＋ａ134）÷（ａ1＋ａ2＋…＋ａ1000））が９８．５％、降順で１３５個目までの特異値の総和と全特異値の総和の割合（（ａ1＋ａ2＋…＋ａ135）÷（ａ1＋ａ2＋…＋ａ1000））が９９．１％である場合、上位特異値数qは１３５となる。また、ａ1〜ａ135の特異値が、上位特異値である。   For example, it is assumed that a condition is defined in which the number of singular values in which the sum of upper singular values exceeds 99% is set to the upper singular value number with respect to the sum of all singular values. At this time, the sum of the upper singular values is arranged in descending order among the singular values, and is added from the larger singular values. Suppose that the total number of singular values is 1000 (the singular values arranged in descending order are a1, a2,..., A1000, respectively), and the ratio of the sum of the singular values up to the 134th in descending order and the sum of all singular values ((a1 + a2 + ... + a134) ÷ (a1 + a2 + ... + a1000)) is 98.5%, the ratio of the sum of the singular values up to the 135th in descending order and the sum of all singular values ((a1 + a2 + ... + a135) ÷ (a1 + a2 + ... + a1000)) is 99 In the case of 1%, the upper singular value number q is 135. The singular values a1 to a135 are higher singular values.

ここで、前処理手段１１における擬似逆行列の算出について説明する。例えば、正常データＤ１として、ｎ個のサンプル（ｎ回分のパラメータ値）が得られているとする。また、変数の数（パラメータの数）をｋとし、正常データ行列をｘとする。   Here, calculation of the pseudo inverse matrix in the preprocessing unit 11 will be described. For example, it is assumed that n samples (n times of parameter values) are obtained as normal data D1. The number of variables (number of parameters) is k, and the normal data matrix is x.

Figure 2016031568
Figure 2016031568

前処理手段１１は、特定した上位特異値数ｑ及び相関行列の擬似逆行列を演算データＤ２として記憶装置２０に記憶する。   The preprocessing unit 11 stores the identified upper singular value number q and the pseudo inverse matrix of the correlation matrix in the storage device 20 as the operation data D2.

算出手段１２は、記憶装置２０から正常データＤ１、演算データＤ２及び診断データＤ３を読み出し、診断データＤ３の同一時刻に測定された各パラメータの値で表される診断データと、前処理手段１１で特定された上位特異値数と、前処理手段１１で算出された正常データＤ１の相関行列の擬似逆行列を使用し、上位特異値数ｑで割った各パラメータのマハラノビス距離を算出する。具体的には、算出手段１２は、式（２−１）を利用して各パラメータの値Ｙiのマハラノビス距離（ＭＤ値）Ｄ2（Ｙi）を求める。 The calculation means 12 reads normal data D1, operation data D2, and diagnosis data D3 from the storage device 20, and diagnostic data represented by the value of each parameter measured at the same time of the diagnosis data D3 and the preprocessing means 11 Using the identified upper singular value number and the pseudo inverse matrix of the correlation matrix of the normal data D1 calculated by the preprocessing means 11, the Mahalanobis distance of each parameter divided by the upper singular value number q is calculated. Specifically, the calculation unit 12 obtains the Mahalanobis distance (MD value) D 2 (Y i ) of the value Y i of each parameter using the equation (2-1).

Figure 2016031568
Figure 2016031568

判定手段１３は、算出手段１２が求めたマハラノビス距離を予め異常判定用に設定される閾値と比較し、求めたマハラノビス距離が閾値より大きいとき異常が発生したと判定する。この閾値は、例えば、入力装置３０を介して予め設定される。また、判定手段１３は、各パラメータに関する異常の判定結果で結果データＤ４を生成し、記憶装置２０に記憶する。   The determination unit 13 compares the Mahalanobis distance obtained by the calculation unit 12 with a threshold value set in advance for abnormality determination, and determines that an abnormality has occurred when the calculated Mahalanobis distance is greater than the threshold value. This threshold value is preset through the input device 30, for example. Further, the determination unit 13 generates result data D <b> 4 based on the abnormality determination result regarding each parameter, and stores the result data D <b> 4 in the storage device 20.

出力手段１４は、判定手段１３で判定された結果を出力装置４０に出力する。例えば、出力手段１４は、異常が判定された場合にのみアラーム等の異常を出力するようにしてもよい。   The output unit 14 outputs the result determined by the determination unit 13 to the output device 40. For example, the output unit 14 may output an abnormality such as an alarm only when the abnormality is determined.

一般的には、正常データの相関行列の逆行列を利用して各パラメータの値Ｙiのマハラノビス距離Ｄ2（Ｙi）を求める場合、式（２−２）を利用する。また、逆行列が使用できず、逆行列の代わりに擬似逆行列を利用してマハラノビス距離Ｄ2（Ｙi）を求める場合、式（２−３）を利用する。なお、式（２−２）、式（２−３）中のｋは、診断対象から入力される値のパラメータの数である。 In general, when the Mahalanobis distance D 2 (Y i ) of each parameter value Y i is obtained using the inverse matrix of the correlation matrix of normal data, the equation (2-2) is used. Further, when the inverse matrix cannot be used and the Mahalanobis distance D 2 (Y i ) is obtained by using a pseudo inverse matrix instead of the inverse matrix, Expression (2-3) is used. Note that k in the equations (2-2) and (2-3) is the number of parameters whose values are input from the diagnosis target.

Figure 2016031568
Figure 2016031568

ここで、逆行列を利用する式（２−２）によって求めたマハラノビス距離の場合は問題はないが、擬似逆行列を利用する式（２−３）の場合、特異値数によってＭＤ値が全体的に小さくなり、異常の検出漏れが生じるおそれがある。   Here, there is no problem in the case of the Mahalanobis distance obtained by the equation (2-2) using the inverse matrix, but in the case of the equation (2-3) using the pseudo inverse matrix, the MD value is entirely determined by the number of singular values. There is a risk of failure to detect abnormalities.

また、正常データＤ１に基づいて求められる逆行列を利用してマハラノビス距離を求める場合、各パラメータのマハラノビス距離の平均値は１である。一方、擬似逆行列を利用してマハラノビス距離を求める場合、各パラメータのマハラノビス距離の平均値は１となることが保証されない。したがって、擬似逆行列を用いて正常データＤ１からマハラノビス距離を求めると、マハラノビス距離の解釈が困難となり、異常判定の閾値の設定が困難になる。   Further, when the Mahalanobis distance is obtained using an inverse matrix obtained based on the normal data D1, the average value of the Mahalanobis distance of each parameter is 1. On the other hand, when the Mahalanobis distance is obtained using the pseudo inverse matrix, it is not guaranteed that the average value of the Mahalanobis distance of each parameter is 1. Accordingly, when the Mahalanobis distance is obtained from the normal data D1 using the pseudo inverse matrix, it is difficult to interpret the Mahalanobis distance, and it is difficult to set a threshold value for abnormality determination.

例えば、図２に示すように、上位特異値数ｑがパラメータの数ｋと比較して小さくなるほど、マハラノビス距離が全体的に小さくなる傾向にある。具体的には、ｑ/ｋ＝１で設定された閾値を利用するとき、図２（ａ）に示すように、ｑ/ｋ＝０．９の場合、マハラノビス距離のピークは閾値を越えるため、異常を検出することができる。   For example, as shown in FIG. 2, the Mahalanobis distance tends to decrease overall as the upper singular value number q becomes smaller than the parameter number k. Specifically, when using the threshold set with q / k = 1, as shown in FIG. 2A, when q / k = 0.9, the peak of the Mahalanobis distance exceeds the threshold. Abnormalities can be detected.

しかしながら、図２（ｂ）に示すように、ｑ/ｋ＝０．８の場合及びｑ/ｋ＝０．７の場合、マハラノビス距離のピークが図２（ａ）と同一の閾値を下回り、異常を検出することができなくなる。実施形態に係る異常診断装置１では、マハラノビス距離を求める際に擬似逆行列の特徴を表す上位特異値数ｑを利用することで、正常データＤ１の各パラメータのマハラノビス距離の平均を１とすることが可能となり、異常判定の閾値の設定を容易にし、異常判定の信頼性を向上させることができる。   However, as shown in FIG. 2 (b), when q / k = 0.8 and q / k = 0.7, the Mahalanobis distance peak falls below the same threshold value as in FIG. Cannot be detected. In the abnormality diagnosis apparatus 1 according to the embodiment, the average of the Mahalanobis distance of each parameter of the normal data D1 is set to 1 by using the upper singular value number q representing the characteristic of the pseudo inverse matrix when obtaining the Mahalanobis distance. This makes it possible to easily set the threshold value for abnormality determination and improve the reliability of abnormality determination.

このように、異常診断装置１では、擬似逆行列を利用した場合であっても、正常データＤ１に基づいて求められる擬似逆行列と診断データＤ３によって求められる値を上位特異値数ｑで割ることにより、正常データＤ１のマハラノビス距離の平均が１となることが保証される。したがって、閾値が特異値数に依存しないため、異常診断装置１では、異常の検出漏れを防ぐことができる。また、診断対象のパラメータ値を測定するセンサの追加や撤去等によって、特異値数が変わった場合でも、マハラノビス距離の基準は変わらない。したがって、特異値数が異なる場合であっても、異なる複数のパラメータ値で構成されるデータセットを対象として求めたマハラノビス距離を比較することも可能となる。   As described above, the abnormality diagnosis apparatus 1 divides the pseudo inverse matrix obtained based on the normal data D1 and the value obtained from the diagnostic data D3 by the upper singular value number q even when the pseudo inverse matrix is used. Thus, it is ensured that the average of the Mahalanobis distance of the normal data D1 is 1. Therefore, since the threshold value does not depend on the number of singular values, the abnormality diagnosis apparatus 1 can prevent an abnormality from being detected. Further, even when the number of singular values changes due to addition or removal of a sensor that measures a parameter value to be diagnosed, the standard of Mahalanobis distance does not change. Therefore, even when the number of singular values is different, it is possible to compare Mahalanobis distances obtained for data sets composed of a plurality of different parameter values.

なお、以下に示すように、正常データＤ１のパラメータのマハラノビス距離の平均が１であることが証明できる。   In addition, as shown below, it can be proved that the average of the Mahalanobis distance of the parameter of the normal data D1 is 1.

Figure 2016031568
Figure 2016031568

Figure 2016031568
Figure 2016031568

Figure 2016031568
Figure 2016031568

以上、実施形態を用いて本発明を詳細に説明したが、本発明は本明細書中に説明した実施形態に限定されるものではない。本発明の範囲は、特許請求の範囲の記載及び特許請求の範囲の記載と均等の範囲により決定されるものである。 As mentioned above, although this invention was demonstrated in detail using embodiment, this invention is not limited to embodiment described in this specification. The scope of the present invention is determined by the description of the claims and the scope equivalent to the description of the claims.

１ 異常診断装置
１１ 前処理手段
１２ 算出手段
１３ 判定手段
１４ 出力手段
２０ 記憶装置
Ｄ１ 正常データ
Ｄ２ 演算データ
Ｄ３ 診断データ
Ｄ４ 結果データ
Ｐ 異常診断プログラム
３０ 入力装置
４０ 出力装置 DESCRIPTION OF SYMBOLS 1 Abnormality diagnosis apparatus 11 Preprocessing means 12 Calculation means 13 Determination means 14 Output means 20 Storage device D1 Normal data D2 Operation data D3 Diagnosis data D4 Result data P Abnormality diagnosis program 30 Input device 40 Output device

Claims (5)

診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、
各パラメータの正常時の値で表される正常データの相関行列から特異値及び主成分を求め、求めた特異値から所定の条件で上位特異値数を特定し、求めた特異値及び主成分と、特定した上位特異値数とから相関行列の擬似逆行列を算出する前処理手段と、
同一時刻に測定された診断用の各パラメータの値で表される診断データと、前記前処理手段で特定された上位特異値数及び前記前処理手段で算出された擬似逆行列を使用し、前記上位特異値数で割ったマハラノビス距離を算出する算出手段と、
前記算出手段が算出したマハラノビス距離が所定の閾値より大きくなった場合、異常が発生したと判定する判定手段と、
を備えることを特徴とする異常診断装置。 An abnormality diagnosis device for diagnosing an abnormality by inputting a plurality of parameter values to be diagnosed,
Obtain singular values and principal components from the correlation matrix of normal data represented by normal values of each parameter, identify the number of upper singular values from the obtained singular values under a predetermined condition, and obtain the obtained singular values and principal components. Pre-processing means for calculating a pseudo inverse matrix of the correlation matrix from the identified number of upper singular values;
Diagnostic data represented by the value of each parameter for diagnosis measured at the same time, the number of upper singular values specified by the preprocessing means and the pseudo inverse matrix calculated by the preprocessing means, A calculation means for calculating the Mahalanobis distance divided by the number of upper singular values;
Determining means for determining that an abnormality has occurred when the Mahalanobis distance calculated by the calculating means is greater than a predetermined threshold;
An abnormality diagnosis apparatus comprising: 前記前処理手段は、降順で算出した特異値の累積値を算出し、前記累積値と全特異値の総和の割合が所定の割合を超えるような最小の特異値の数を、上位特異値数とすることを特徴とする請求項１に記載の異常診断装置。   The pre-processing means calculates a cumulative value of singular values calculated in descending order, and calculates the number of minimum singular values such that a ratio of the sum of the cumulative value and all singular values exceeds a predetermined ratio. The abnormality diagnosis device according to claim 1, wherein: 診断対象の複数のパラメータ値を用いて異常を診断する異常診断方法であって、
各パラメータの正常時の値で表される正常データの相関行列から特異値及び主成分求め、求めた特異値から所定の条件で上位特異値数を特定し、求めた特異値及び主成分と特定した上位特異値数から相関行列の擬似逆行列を算出するステップと、
同一時刻に測定された診断用の各パラメータの値で表される診断データと、特定された前記上位特異値数及び算出された前記擬似逆行列を使用し、前記上位特異値数で割ったマハラノビス距離を算出するステップと、
算出された前記マハラノビス距離が所定の閾値より大きくなった場合、異常が発生したと判定するステップと、
を備えることを特徴とする異常診断方法。 An abnormality diagnosis method for diagnosing an abnormality using a plurality of parameter values to be diagnosed,
Obtain singular values and principal components from the correlation matrix of normal data represented by normal values of each parameter, identify the upper singular values from the obtained singular values under specified conditions, and identify the obtained singular values and principal components. Calculating a pseudo inverse matrix of a correlation matrix from the number of upper singular values obtained,
Mahalanobis divided by the upper singular value number using the diagnosis data represented by the value of each parameter for diagnosis measured at the same time, the identified upper singular value number and the calculated pseudo inverse matrix Calculating a distance;
A step of determining that an abnormality has occurred when the calculated Mahalanobis distance is greater than a predetermined threshold;
An abnormality diagnosis method comprising: 前記上位特異値数を特定する際、降順で算出した特異値の累積値を算出し、前記累積値と全特異値の総和の割合が所定の割合を超えるような最小の特異値の数を、上位特異値数とすることを特徴とする請求項３に記載の異常診断方法。   When specifying the number of upper singular values, calculate the cumulative value of singular values calculated in descending order, the minimum number of singular values such that the ratio of the cumulative value and the sum of all singular values exceeds a predetermined ratio, The abnormality diagnosis method according to claim 3, wherein the number of upper singular values is used. 請求項１又は２のいずれか１記載の異常診断装置としてコンピュータを機能させる異常診断プログラム。
An abnormality diagnosis program for causing a computer to function as the abnormality diagnosis apparatus according to claim 1.
JP2014152539A 2014-07-28 2014-07-28 Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program Pending JP2016031568A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014152539A JP2016031568A (en) 2014-07-28 2014-07-28 Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014152539A JP2016031568A (en) 2014-07-28 2014-07-28 Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program

Publications (1)

Publication Number Publication Date
JP2016031568A true JP2016031568A (en) 2016-03-07

Family

ID=55441931

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014152539A Pending JP2016031568A (en) 2014-07-28 2014-07-28 Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program

Country Status (1)

Country Link
JP (1) JP2016031568A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858262A (en) * 2018-08-16 2020-03-03 三菱重工业株式会社 Abnormality detection device, abnormality detection method, and non-transitory computer-readable medium
KR102208806B1 (en) * 2019-08-07 2021-01-27 엘에스일렉트릭(주) Protective relay test apparatus

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006023214A (en) * 2004-07-09 2006-01-26 Hitachi High-Technologies Corp Abnormality existence determining method of measurement reaction process, automatic analyzer executing this method, and storage medium stored with program of this method
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method
JP2009288100A (en) * 2008-05-29 2009-12-10 Mitsubishi Heavy Ind Ltd Soundness diagnosis method and program, and soundness diagnosis apparatus of windmill
JP2010049359A (en) * 2008-08-19 2010-03-04 Toshiba Corp Plant monitoring device and plant monitoring method
JP2012516994A (en) * 2009-02-02 2012-07-26 イッポン・イノベーション Method for detecting abnormal electronic components
JP2013242637A (en) * 2012-05-18 2013-12-05 Ihi Corp Abnormality diagnosis method and abnormality diagnosis device
JP2014035282A (en) * 2012-08-09 2014-02-24 Ihi Corp Abnormality diagnostic device
JP2016012263A (en) * 2014-06-30 2016-01-21 株式会社Ihi Abnormality diagnostic apparatus

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006023214A (en) * 2004-07-09 2006-01-26 Hitachi High-Technologies Corp Abnormality existence determining method of measurement reaction process, automatic analyzer executing this method, and storage medium stored with program of this method
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method
JP2009288100A (en) * 2008-05-29 2009-12-10 Mitsubishi Heavy Ind Ltd Soundness diagnosis method and program, and soundness diagnosis apparatus of windmill
JP2010049359A (en) * 2008-08-19 2010-03-04 Toshiba Corp Plant monitoring device and plant monitoring method
JP2012516994A (en) * 2009-02-02 2012-07-26 イッポン・イノベーション Method for detecting abnormal electronic components
JP2013242637A (en) * 2012-05-18 2013-12-05 Ihi Corp Abnormality diagnosis method and abnormality diagnosis device
JP2014035282A (en) * 2012-08-09 2014-02-24 Ihi Corp Abnormality diagnostic device
JP2016012263A (en) * 2014-06-30 2016-01-21 株式会社Ihi Abnormality diagnostic apparatus

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858262A (en) * 2018-08-16 2020-03-03 三菱重工业株式会社 Abnormality detection device, abnormality detection method, and non-transitory computer-readable medium
KR102208806B1 (en) * 2019-08-07 2021-01-27 엘에스일렉트릭(주) Protective relay test apparatus

Similar Documents

Publication Publication Date Title
CN106104496B (en) The abnormality detection not being subjected to supervision for arbitrary sequence
CN110121724B (en) Abnormality detection device, abnormality detection method, and storage medium
JP6398383B2 (en) Abnormality diagnosis device
JP2012094044A5 (en)
IN2015DE00209A (en)
US11480948B2 (en) Monitoring target selecting device, monitoring target selecting method, and program
JP2013033459A (en) Abnormality monitoring system and abnormality monitoring method
EP2613207A2 (en) Adaptive trend-change detection and function fitting system and method
JP2013199804A (en) Abnormality diagnostic device of work machine
JP2020053036A5 (en)
JP6641678B2 (en) Fault diagnosis device
CN109839900A (en) Numerical control device
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
JP6509001B2 (en) Failure diagnosis system
EP3239796A1 (en) Failure diagnostic method and failure diagnostic system
JP6861564B2 (en) Monitoring and control device
JP2007213194A (en) Situation analytical system and situation analytical method
JP2016031568A (en) Abnormality diagnosis apparatus, abnormality diagnosis method, and abnormality diagnosis program
JP2016139274A5 (en)
JP6409375B2 (en) Parameter classification device
EP2998815A3 (en) Automated prognostics systems and methods
JP5949032B2 (en) Pre-processing method and abnormality diagnosis device
JP6225079B2 (en) Air conditioner operation detection method and system
US10866163B2 (en) Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations
JP5948998B2 (en) Abnormality diagnosis device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170525

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180403

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180330

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20181009